如何提升连带消费？从新零售“人-货-场”模型拆解

### 从零开始训练 YOLOv8-obb 模型（不使用预训练权重） 要在不使用预训练权重的情况下从零开始训练 YOLOv8-obb 模型，需要按照以下步骤操作： ### 1. **准备环境与依赖** 首先，确保安装了必要的库和依赖项。YOLOv8-obb 基于 Ultralytics 框架，因此需确保已安装 `ultralytics` 包。如果尚未安装，可以通过以下命令安装： ```bash pip install ultralytics ``` 此外，确保 Python 版本为 3.8 或更高，并安装必要的依赖库，如 `torch`、`opencv-python` 等。 ### 2. **配置数据集** 需要将数据集转换为 YOLOv8-obb 所需的格式。通常，YOLOv8-obb 要求数据集以 `.txt` 文件形式存储每个图像的标注信息，每行包含类别编号和 8 个坐标值（即旋转框的 4 个顶点坐标）。 对于 DOTA 数据集，可以使用 `convert_dota_to_yolo_obb.py` 脚本进行转换。需要根据实际类别修改 `class_mapping` 字典，例如： ```python class_mapping = { "plane": 0, "baseball-diamond": 1, "bridge": 2, "ground-track-field": 3, "small-vehicle": 4, "large-vehicle": 5, "ship": 6, "tennis-court": 7, "basketball-court": 8, "storage-tank": 9, "soccer-ball-field": 10, "roundabout": 11, "harbor": 12, "swimming-pool": 13, "helicopter": 14, } ``` 转换完成后，确保数据集目录结构符合 YOLOv8-obb 的要求，通常包括 `images` 和 `labels` 两个文件夹，分别存放图像和标注文件[^4]。 ### 3. **创建并配置数据集配置文件** 创建 `dota8-obb.yaml` 文件，用于指定数据集路径、类别数量和类别名称。该文件的示例如下： ```yaml train: ./path/to/train/images val: ./path/to/val/images nc: 15 # 类别总数 names: ['plane', 'baseball-diamond', 'bridge', 'ground-track-field', 'small-vehicle', 'large-vehicle', 'ship', 'tennis-court', 'basketball-court', 'storage-tank', 'soccer-ball-field', 'roundabout', 'harbor', 'swimming-pool', 'helicopter'] ``` ### 4. **修改 YOLOv8-obb 模型配置** YOLOv8-obb 的模型配置文件通常为 `yolov8n-obb.yaml`，其中定义了网络结构和超参数。为了从零开始训练，需要确保该文件中 `pretrained` 参数设置为 `False`，并且 `nc`（类别数量）与数据集配置文件中的一致。 例如，在 `yolov8n-obb.yaml` 中修改以下部分： ```yaml # Model parameters nc: 15 # 类别数量 depth_multiple: 0.33 # 模型深度缩放因子 width_multiple: 0.50 # 模型宽度缩放因子 ``` 此外，确保 `backbone` 和 `head` 部分的结构定义正确，符合 YOLOv8-obb 的要求。 ### 5. **编写训练脚本** 创建一个 Python 脚本用于启动训练过程。该脚本应使用 `YOLO` 类从 `ultralytics` 模块加载模型配置，并指定训练参数。由于不使用预训练权重，模型将从头开始训练： ```python from ultralytics import YOLO def main(): # 从 YAML 文件加载模型配置，不加载预训练权重 model = YOLO('yolov8n-obb.yaml') # 直接从 YAML 文件构建模型 model.train(data='dota8-obb.yaml', epochs=100, imgsz=640, batch=4, workers=4) if __name__ == '__main__': main() ``` ### 6. **训练模型** 运行上述脚本后，训练过程将开始。训练过程中，模型将根据指定的 `epochs` 数量进行迭代，并在每个 epoch 后保存最佳模型权重。训练日志和权重文件将默认保存在 `runs/obb/train/` 目录下。 ### 7. **验证模型性能** 训练完成后，可以通过以下脚本验证模型的性能： ```python from ultralytics import YOLO def main(): # 加载训练得到的最佳模型权重 model = YOLO(r'runs/obb/train/weights/best.pt') model.val(data='dota8-obb.yaml', imgsz=1024, batch=4, workers=4) if __name__ == '__main__': main() ``` 该脚本将加载训练过程中保存的最佳权重，并在验证集上评估模型性能，输出 mAP、召回率等指标[^2]。 ### 8. **推理与部署** 完成训练和验证后，可以使用训练好的模型进行推理。例如，对单张图像进行预测： ```python from ultralytics import YOLO def main(): model = YOLO(r'runs/obb/train/weights/best.pt') results = model('path/to/image.jpg', save=True, imgsz=1024, conf=0.5) if __name__ == '__main__': main() ``` 该脚本将对指定图像进行推理，并保存带有检测框的结果图像。 --- ###